遥感数据融合技术及其在森林资源监测中的应用
一、多卫星遥感数据融合的概念
融合的概念开始出现于70年代初期,当时称之为多源相关,多传感器融合和数据融合。80年代以来,信息融合技术得到迅速发展,对它的称谓亦渐趋统一,称之为数据融合或信息融合。数据融合的概念,最早出现于军事领域,美国国防部(1992)指出“数据融合是一个对多源数据(信息)进行多层次、多方面自动检测(detection),联合(association)、相关(correlation)、估计(estimation)和结合(combination)的过程”。针对遥感数据融合,Pohl和Gendem指出“数据融合是通过一定的算法将两个以上的影像数据结合在一起生成一个新的影像”。Mangolini(1996)则将参与融合的数据扩展到了非遥感数据并首次引入“质量(quality)”来评价融合的结果,这在pohl和美国国防部的定义中是没有的。Mangolini将融合定义“一种
、工具和手段的集合。Li等(1993)将融合定义为“将一组遥感器数据结合(combination)并生成单一数据”,该数据与原始数据相比应有更好的质量和可靠性(greater quality andreliability)。(霍宏涛,2001)
对于多卫星遥感数据,信息融合的定义可描述为(何国金等,1999):将不同类型传感器获取的同一地区的影像数据进行空间配准,然后采用一定的算法将各影像数据中所含的信息优势或互补性有机地结合起来产生新影像数据的技术。这种新数据具有描述所研究对象的较优化的信息
征,同单一信息源相比,能减少或抑制对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性和误差,最大限度地利用各种信息源提供的信息
二、数据融合的层次及其特点
按信息抽象程度的不同,数据融合可划分为像元极( Pixel based)、目标级或特征级融合
(Feature based)以及决策级融合( Decision level) 3个层次(何国金等,1999)。如下图所示(C. POHL,1998)
图1 数据融合的三个层次(C. POHL,1998)
(1)象素级融合是在图像预处理阶段的融合,在两幅或多幅图像实现空间配准的基础上,然后将各图像的像元的物理量加权求和,该值对应为同一坐标上大的新图像的像元值,其作用是增加图像中的有用信息成分,以便改善如分割与特征提取等处理效果。在该层次的融合没有信息损失,因此这种处理提供了一种最优决策和识别性能。例如,美国陆地卫星多光谱数据的象素级处理,可以识别病害庄稼的特征,而单一光谱数据则不可能。
(2)特征级融合是在图像特征提取(如光谱特征和空间特征等)阶段的融合。对于不同图像进行的特征提取,必须按照各自图像上相同类型的特征进行融合处理,其使得能够以高的置信度来提取有用的图像特征,然后将获得的特征影像通过统计模型或人工神经网络模型进行融合,融合结果一般是分类图像。特征级融合比较适合于在象素级组合多源数据的等同数据不可能的情况下,而且比较简单,在许多情况下比较实用。(王淑等,2005;霍宏涛,2001)
(3)决策级融合是高水平的融合。其按照应用的要求首先对图像进行分类,确定各个类别中的特征影像,然后对得到的增值信息按一定的规则进行融合处理。
三种融合层次的比较如下表1(王淑等,2005)
三、数据融合的主要方法
多卫星遥感数据数据的融合方法很多如IHS变换法、PCA变换法、Brovey变换法、Wavelet变换法、波段比值法、乘法变换等,而且正对不同算法出现的问题如光谱扭曲而出现的各种改进方法以及不同方法的组合等,使得数据融合没有统一固定的模式可以参考。如果再考虑三个不同层次的融合,则数据融合的方法就更多,如表2(王淑等,2005)
1、基于IHS变换的数据融合
IHS变换是数据融合中应用最为广泛的技术(D. AMARSAIKHAN,2004)。不同波段遥感数组合成的RGB颜色空间是一个对物体颜色属性描述系统,而IHS色度空间提取出物体的亮度I(Intensity)、色度H(Hue)、饱和度S( Saturation),它表述了人的视觉对色彩的感觉,如I表示强度和亮度(其包含空间信息),而H、S分别定义颜色的波长和颜色的深浅程度(包含图像的光谱信息)。因此,在基于IHS变换是数据融合中,常以高空间分辨率数据代替多光谱数据IHS变换变换后的I分量,然后进行逆变换从而达到融合的目的。其一般过程如下
图2
HIS变换的算法很多,如球体变换、圆柱变换、三角变换、单六角锥变换等。这些方法的基本思想都是类似的,一般而言,对某种从RGB空间转换到HIS空间的方法,只要保证变换后的H是一个角度、饱和度S和强度I相互独立,并且这个变换是可逆的,那么该方法就是可行的(姚敏等,2006),先参考霍宏涛(2001)和姚敏(2006)等文献,以圆柱变换为例给出IHS变换及其逆变换
(1)正变换。假设R、G、B均在[0,1]范围内取值
(2)逆变换
当H在[0° 120°]之间时
当H在[120° 240°]之间时
当H在[240° 360°]之间时
在进行HIS逆变换前,需要对高分辨率数据
如SPOT与强度分量
进行处理,可以进行线性拉伸、直方图匹配等。
,
可以通过最小二乘得到即
(S. TEGGI,等,2002)
2、基于PCA变换的数据融合
PCA变换是一种正交变换,在数学上称为主成分分析,其目的是把多变量信息即多波段的图像信压缩或综合在一张图像上,而且对于新图像来说,各波段的信急所做的贡献能最大限度的表现出来。为此须对原像素各波段亮度值作加权线性变换,以产生新的像素亮度值。陈德超 等,2001)
多光谱遥感数据主成分的计算包括三个基本的过程(C. POHL 等,1998):(1)协方差(Covariance matrix,非
化的主成分分析)矩阵和相关矩阵(correlation matrix,标准化的主成分分析),(2)特征值和及其特征向量的计算,(3)计算新的主分量
利用主成分分析进行数据融合包括两种方法:(1)代替法,其一般过程如图3,(2)将不同传感器获得的遥感数据形成一个多光谱文件,然后对该文件进行主成分变换,从而实现多卫星遥感数据的融合
图3
(1)主成分分析的主要算法
设
为具有
个波段,各波段有
个像元
则
的离差矩阵
和协方差阵
分别为(唐守正,1986)
因为
和
相差n倍,而特征向量不变,故可以从
出发进行主成分分析。设
的特征值为(由大到小排列)
,其所对于的特征向量为
。由
所组成的矩阵
则新的主分量为:
(2)代替法
设
为与
配准的高空间分辨率数据,并进行了线性拉伸处理,现在以
代替
即
则融合后的数据为
(ERDAS手册)
(3)对多传感器数据进行PCA 变换,同样对
和
进行融合
首先将
和
组成一个信息的数据文件,如下
然后,对
按(1)进行主成分变换,就可以达到数据融合的目的。
3、基于小波(Wavelet)变换的数据融合
(1)小波
小波是一个积分(平均)为0的函数。顾名思义小波就是小的波形,“小”是指它具有衰减性如局部非零,“波”是指它的波动性,即正负相间的震荡形式。
设
∈L2(R) (L2(R)是平方可积的实数空间,即能量有限的信号空间),当
满足条件
,即
(其中
是
的傅立叶变换)时,我们称
为基本小波(Basic Walvelet)或小波母函数(Mother Wavelet)。
经伸缩a,平移b后得到(1)式:
(1)
式中a为伸缩因子,b为平移因子并且a,b∈R(a≠0),那么我们称
为小波(Wavelet)。
(2)小波变换
小波变换是信号与小波函数的内积,是对信号满足一定附加条件的滤波,这种附加条件反映在小波函数的参数选取上。
设f(x)也是平方可积的,对于含有参数的小波函数
,它的连续小波变换定义为(2)式:
(2)
其中:f(x) ∈L2(R) b∈R
为
的复共轭。
将上式改写成内积的形式就是:
=<
,
> 由小波变换的定义及需要满足的条件
保证了从
恢复出
,其小波逆变换为(3)式:
(3)
以上小波变换的一般定义。随着Mallat1989年多分辨率分析 (multiresolution analysis,MRA) (Mallat 1989)算法(Mallat算法)的提出,小波变换开始用于图像融合。
Mallat算法的主要思想是将能量有限信号空间L2(R)表示成一系列小波系数的叠加。对于两个空间分辨率不同的遥感数据,一旦小波系数确定,就可以获得一个转换模型来确定低空间分辨率图像丢失的小波系数(C. POHL 等,1998Once the wavelet coefficients are determined for the two images of different spatial resolution, a transformation model can be derived to determine the missing wavelet coefficients of the lower resolution image)。另外,多分辨率分析只是对低频部分做进一步分析,而高频部分不予考虑。这样小波逆变换,就可以获得融合的图像。
基于小波变换的数据融合一般技术路线和过程如下
4、Brovey变换法
Brovey融合也称为色彩正规化(Color normalization)变换融合,由美国学者Brovey推广而得名。其算法如下:
其中
为R、G、B三个通道,
,
为高空间分辨率图像。是将多光谱影像空间解为色度和亮度成分(罗彩莲 等,2005),如对TM数据和SPOT数据融合而言,Brovey变换能够保持TM数据原有的色调转换至融合后的数据中(陈德超等,2005)。
为了减少Brovey变换对图像亮度的压缩,陈德超等(2005)对Brovey融合算法进行了改进,提出了线性、非线性拉伸Brovey融合算法以及在此基础上提出的基于信息特征的融合方法,并在信息提取中得到了较好的结果。现归纳如下:
(1)线性拉伸算法
(2)非线性拉伸算法
其中
为系数
(3)基于信息特征的融合方法
其中
可以是植被、裸地、水体等不同信息,
可以是相同的信息如纹理等。这种融合方法,可以针对不同的要求,灵活改变信息特征提取的方法,不为变换公式所限。
5、傅立叶变换法
傅立叶变换是在频率域进行数据融合的方法。二维离散数据傅立叶变换及其正变换如下
一般
为复数,可以写成
其中
为傅立叶频谱,
为相位角。
现参考K. K. MOHANTY文献(2002)简要介绍傅立叶变换在图像融合的方法。
设
为多光谱数据,
为高空间数据,二者已经空间配准。小尺度(small-scale)即低频变化在p中,这样,在频率域中用多光谱数据进行融合,就会得到新的融合数据(The small-scale (low frequency) variations in the panchromatic image, when blended with the same spatial wavelengths from a multi-spectral image in the frequency domain, yield a merged product)。